ניתוח תמונה מיקרו-מבנה ומטלוגרפיה כמותית

רווחים:

• יכולת למדוד כמויות כמו גודל גרגרים, יחס פאזה ונקבוביות מתמונות מיקרו-מבנה עם עיבוד תמונה ובינה מלאכותית
• יכולת להגדיר נכון שלבי פילוח, סף וכיול ולמנוע שגיאות קנה מידה
• יכולת אימות צולב של פרשנות המיקרו-מבנה של AI עם שיטת מטאלוגרפיה סטנדרטית ותצפית מומחים

הקשיות, הקשיחות וחיי העייפות של פלדה חבויים במבנה המיקרו שלה, שאינו נראה לעין בלתי מזוינת: גודל גרגרים, יחסי פאזה, נקבוביות (ריק), תכלילים (שאריות תחמוצת/גופרית במתכת) ופיזור משקעים. מטאלוגרפיה היא המדע של בחינת חומר תחת מיקרוסקופ על ידי חיתוך, ליטוש ותחריט (צריבה כימית של פני השטח והפיכת שלבים גלויים). מטאלוגרפיה כמותית מודדת כמויות מספריות (מספר גודל גרגר, אחוז פאזה, יחס נקבוביות) מתמונות אלו. בינה מלאכותית ועיבוד תמונה יכולים לצמצם שעות של ספירה ידנית לדקות; אבל קנה מידה שגוי או פילוח לקוי הופכים את כל המספרים לשגויים בשקט. ביחידה זו תלמדו כיצד למדוד תמונות מיקרו-מבנה עם AI ועיבוד תמונה ולאמת כל מדידה.

שלבים בסיסיים של מדידה מבוססת תמונה

במטאלוגרפיה כמותית, כל מדידה עוברת דרך אותה שרשרת; אם טבעת הייתה נשברת, התוצאה לא תהיה אמינה:

• איכות תמונה: מיקוד, תאורה ואיכות תחריט. במדגם חרוט גרוע, הגבולות מטושטשים.
• כיול: המרת סרגל קנה המידה לפיקסלים. כמה מיקרומטר זה כל פיקסל? אם מדלג על שלב זה, כל המדידה הממדית תצא בקנה מידה לא נכון.
• פילוח: חלוקת התמונה לאזורים מעניינים - איזה פיקסל הוא גרגר, איזה פיקסל הוא גבול, איזה פיקסל הוא נקבוביות.
• סף: הפרדת שלבים/חללים בעלי גוון אפור או סף צבע. אם שני שלבים בעלי בהירות שונה, הסף מפריד ביניהם.
• מדידה וסטטיסטיקה: ספירת גרגרים, יחס שטח, חישוב התפלגות גודל.

כלים המונעים על ידי בינה מלאכותית (מודלים של פילוח מאומנים בלמידה עמוקה) מתפקדים טוב יותר מאשר סף פשוט, במיוחד במבנים מורכבים מרובי-פאזיים. אבל הפילוח של AI הוא גם חיזוי; כיול בקנה מידה ובדיקה צולבת של תוצאות בשיטה סטנדרטית (לדוגמה, גודל גרגיר ASTM E112, ספירת נקודות ASTM E562) הוא חובה.

שימו לב: הטעות הנפוצה והערמומית ביותר היא שכחה לכייל את הסולם. התמונה עשויה להיראות "נחמדה" במונחים כמותיים, אבל אם ההמרה של פיקסל למיקרומטר שגויה, גודל הגרגיר יהיה 25 מיקרומטר במקום 8 מיקרומטר ולא תשים לב לזה. התחל כל פגישת מדידה על ידי אימות הכיול.

צעד אחר צעד: מדידת מיקרו-מבנה המופעלת על ידי AI

1. הגדר מטרה: מה אתה מודד? גודל גרגר, יחס פאזה או נקבוביות? לפי איזה תקן?
2. כיול: מדוד את אורך הפיקסלים של סרגל קנה המידה, חשב את יחס המיקרומטר/פיקסל והזן אותו לתוך הכלי.
3. תהליך מקדים: תיקון ניגודיות, הפחתת רעש. שאל את ה-AI איזה מסנן מתאים.
4. פלח/סף: שלבים או פערים נפרדים; בדוק חזותית שהגבולות נתפסים כהלכה.
5. מידה: יחס שטח, מספר גרגירים, ממוצע ותפוצה.
6. אמת: השווה ידנית את התוצאה עם השיטה הסטנדרטית (למשל יירוט ליניארי לעומת גודל גרגר); חזור על מספר תמונות.

גודל גרגר, יחס פאזה ונקבוביות

גודל גרגיר הוא הגודל הממוצע של גרגרי הגביש של החומר; גרגר קטן בדרך כלל נותן חוזק וקשיחות גבוהים יותר (יחסי הול-פטץ'). זה מסומן על ידי ASTM E112 גודל גרגר מספר G; ככל ש-G גדל, הגרגר הופך קטן יותר. יחס פאזות הוא אחוז הנפח/שטח של כל פאזה במבנה דו-פאזי או רב-פאזי (לדוגמה, איזון פריט-אוסטניט מיועד ל-50/50% בערך בנירוסטה דופלקסית). נקבוביות היא היחס בין החללים הנגרמים על ידי גז או התכווצות ביציקות ומפחית ברצינות את חיי העייפות.

מדידה

שיטה סטנדרטית

תרומת AI/עיבוד תמונה

אימות קריטי

גודל גרגר (G)

ASTM E112 צומת/השוואה

זיהוי וספירה אוטומטית של גבול

כיול + בקרת צומתים ידנית

יחס שלבים (%)

ASTM E562 ספירת נקודות

יחס שטח עם סף

אחידות תחריט, בחירת סף

נקבוביות (%)

ניתוח תמונה ASTM E1245

פילוח החלל

אפליה של חפצי ליטוש

הכללה

ASTM E45

סיווג צורה/תפוצה

השוואת תבנית עזר

שלושה מיני תיקים

מקרה 1 - גודל גרגר ללא כיול. טכנאי טוען תמונת מיקרו-מבנה לתוך כלי המופעל על ידי בינה מלאכותית וגודל הגרגיר נמדד; התוצאה היא 6 מיקרומטר. עם זאת, התמונה צולמה בהגדלה של פי 200 במקום פי 500, והכיול של הפגישה הקודמת (פי 500) נשאר בכלי. גודל הגרגיר בפועל הוא ~15 מיקרומטר. ערך שגוי גם מטעה את הערכת החוזק באמצעות Hall-Petch. הטכנאי מתרגל לכיול מחדש את סרגל הקנה מידה בכל מפגש. שיעור: הכיול הוא ספציפי לדוגמא והגדלה ולא ניתן להעביר אותו.

מקרה 2 - חפץ תחריט היה בטעות כשלב. יחס הפריט/אוסטניט נמדד בדופלקס אל חלד. טעויות סף נקודות כהות באזורים חרוטים בכבדות עבור פריט, נותן יחס של 62% פריט; ואילו היתרה בפועל היא ~48%. עודף פריט יוצר אזעקת שווא לגבי קורוזיה וקשיחות. המטלורג מוצא את השגיאה לאחר סטנדרטיזציה של זמן התחריט ובדיקת מספר אזורים עם ספירת נקודות ידנית. שיעור: הכנה לקויה של דגימה מטעה אפילו את האלגוריתם הטוב ביותר - זבל פנימה, זבל החוצה.

מקרה 3 - שימוש נכון, מפת נקבוביות. צוות יציקה רוצה למדוד את שיעור הנקבוביות בחתך של חלק אלומיניום. מודל פילוח הבינה המלאכותית מפריד במהירות את הפערים ונותן מפת תפוצה עם נקבוביות של 2.3%. הצוות בודק חזותית שהשריטות המופיעות במהלך הליטוש אינן בטעות כחללים, מאשר את התוצאה לפי ASTM E1245 ורואה שהנקבוביות מתרכזת באזור ההזנה ומשפרת את עיצוב היציקה. AI הביאה מהירות, ההחלטה התקבלה על ידי תקן ותצפית.

תבניות הנחיות הניתנות להעתקה

תבנית תוכנית מדידה"תפקיד: אתה עוזר מטאלוגרפיה כמותית. מטרה: למדוד [גודל גרגרים / יחס פאזה / נקבוביות]. חומר: [...]. הגדלה: [...]. תקן: [למשל ASTM E112]. תן לי תוכנית מדידה שלב אחר שלב: הכנת דגימה, תחריט, שלב כיול/כיול גבוה, שלב כיול וכיול גבוה. כשלב הראשון והחובה תגיד לי איזו שיטה סטנדרטית להצליב ידנית."

תבנית בדיקת שגיאת פילוח "פילחתי [פאזה/פער] בתמונת מיקרו-מבנה. רשום את הנקודות שעלולות להשתבש: חריטה, שריטה בליטוש, אזור מחוץ לשדה, גבולות חופפים. כתוב כיצד לבדוק עבור כל אחד מהם וכיצד לתקן זאת. אילו בדיקות חזותיות עלי לעשות לפני קבלת התוצאה?"

תבנית פרשנות של גודל גרגרים "מדדתי ASTM E112 גודל גרגר מספר G = [ערך], הגדלה [x]. הסבר כיצד ערך G זה מתאים לקוטר הגרגיר הממוצע המשוער והשפעתו על החוזק במונחים של Hall-Petch. הזכר לי שערך G תלוי בכיול; ספר לי שלב אחר שלב כיצד לאמת את שיטת חידוד התוצאה בקו."

PYTHON IMAGE PROCESSING SKELETON TEMPLATE"תפקיד: אתה עוזר קוד עיבוד התמונה. כתוב קוד שלד שמחשב יחס שטח פאזה על תמונת מיקרו-מבנה עם תמונת sikit-image: (1) מיקרומטר/פיקסל משתנה בצורה מפורשת בחלק העליון לכיול בקנה מידה, (2) המרה לגווני אפור, (3) תוצאת סף ההדפסה להדפסה, (5) יחס הדפסה לשטח. כל שלב ציין בקוד שיש לאמת את הערך והכיול באופן ידני."

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה: "אמור לי את גודל הגרגירים של המיקרו-מבנה הזה."

הנחיה חזקה: "תפקיד: אתה עוזר מטאלוגרפיה כמותית. אני רוצה למדוד את גודל הגרגירים לפי ASTM E112. תמונה 500x, סרגל קנה המידה 50 מיקרומטר = 240 פיקסל (כלומר 0.208 מיקרומטר/פיקסל). תן לי את השלבים לחישוב שיטת חיתוך גרגירים לפי, כמה קווים יש נקודות חיתוך. לספור, להמיר את התוצאה למספר G אני צריך לאמת את הכיול ולפחות "תזכיר לי שאני צריך לחזור על זה ב-3 אזורים שונים. אתה לא יכול 'לקרוא' את התוצאה הסופית; הגדר את השיטה."

ההנחיה החלשה מבקשת מה-AI "לקרוא" את התמונה - אך ה-AI אינו יודע קנה מידה ותחריט ויכול להמציא מספר מורכב. ההנחיה העוצמתית מבהירה את הכיול, מבקשת את השיטה הסטנדרטית, דורשת חזרה ואימות ומשתמשת ב-AI ככלי לקביעת שיטה, לא מדידה.

טעויות נפוצות

• שוכחים לכייל את הסולם או מדידה עם הכיול של ההפעלה הקודמת.
• הסתמכות על פילוח מבלי לתקן תחריט גרוע/לא אחיד.
• טעות בשריטת ליטוש או כתם לנקבוביות/פאזה.
• מדידה מאזור בודד והכללה לכל המדגם; סטטיסטיקה דורשת מספר שדות.
• בהנחה שה-AI "ראה" את התמונה ומשתמש בה מבלי לאמת את המספר המדויק שהוא נותן.
• קבלת תוצאת הפילוח מבלי לבדוק אותה חזותית.

לסיכום

במטאלוגרפיה כמותית, בינה מלאכותית ועיבוד תמונה מאיצים את גודל הגרגרים, יחס הפאזה ומדידות הנקבוביות ומאפשרים פילוח רב עוצמה של מבנים מורכבים. עם זאת, תקפות התוצאות תלויה בכיול בקנה מידה, הכנה טובה של דגימה ואימות צולב עם השיטה הסטנדרטית (ASTM E112/E562/E1245). הפוך את הכיול לשלב הראשון, בדוק את הפילוח לפי העין, חזור על מספר אזורים והשתמש ב-AI ככלי שבוסס את שיטת המדידה וכותב את הקוד, לא זה ש"קורא" את התמונה.

משימת יישום

קח תמונת מיקרו-מבנה (דגימה משלך או מדגם הרצאה) וקנה ערך סרגל בקנה מידה. עם התבנית "PYTHON IMAGE PROCESSING SKELETON", בקש מה-AI קוד שמחשב את יחס שטח הפאזה; ודא כיול מיקרומטר/פיקסל נמצא בחלק העליון ומופעל בקוד. הפעל את הקוד והשווה את יחס השטח המתקבל עם ספירת נקודות ידנית (10x10 רשת) על אותה תמונה. כתוב את ההבדל בין שתי התוצאות והסיבה האפשרית (בחירת סף, חפץ) בפסקה אחת.

רשימת בדיקה

• [ ] כיילתי את סרגל הקנה מידה לפיקסל ואימתתי אותו בכל הפעלה.
• [ ] בדקתי שהתחריט/הכנת הדגימה אחידה.
• [ ] בדקתי ויזואלית את תוצאת הפילוח/הסף והסרתי חפצים.
• [ ] חזרתי על המדידה לפחות בכמה אזורים שונים.
• [ ] הצלבתי ידנית את התוצאה בשיטה סטנדרטית (E112/E562/E1245).
• [ ] השתמשתי ב-AI כשיטה וכלי קוד, לא כ"קורא" של התמונה.